آموزش دوره گواهینامه حرفه‌ای مهندسی هوش مصنوعی - آخرین آپدیت

سرفصل ها و درس ها

Introduction au Cours et à l’Instructeur

• آنچه در دوره مدرک حرفه ای مهندس هوش مصنوعی یاد خواهید گرفت Ce que vous apprendrez dans le cours de certificat professionnel d'ingénieur IA

تنظیم و بهینه سازی مدل ها Réglage et Optimisation des Modèles

• روز 1: معرفی تنظیم Hyperparameterها Jour 1 : Introduction au Réglage des Hyperparamètres

• روز 2: Grid Search و Random Search Jour 2 : Grid Search et Random Search

• روز 3: تنظیم پیشرفته با بهینه سازی Bayesian Jour 3 : Réglage Avancé avec l’Optimisation Bayésienne

• روز 4: تکنیک های Regularization برای بهینه سازی مدل ها Jour 4 : Techniques de Régularisation pour l’Optimisation des Modèles

• روز 5: اعتبارسنجی متقابل و تکنیک های ارزیابی مدل ها Jour 5 : Validation Croisée et Techniques d’Évaluation de Modèles

• روز 6: تنظیم خودکار با GridSearchCV و RandomizedSearchCV Jour 6 : Réglage Automatisé avec GridSearchCV et RandomizedSearchCV

• روز 7: پروژه بهینه سازی – ساخت و تنظیم یک مدل نهایی Jour 7 : Projet d’Optimisation – Construction et Réglage d’un Modèle Final

• منابع برای پروژه ها Ressources pour les projets

شبکه های عصبی کانولوشن (CNNs) Réseaux de Neurones Convolutifs (CNNs)

• روز 1: معرفی CNNs Jour 1 : Introduction aux CNNs

• روز 2: لایه های کانولوشن و فیلترها Jour 2 : Couches Convolutives et Filtres

• روز 3: لایه های Pooling و کاهش ابعاد Jour 3 : Couches de Pooling et Réduction de Dimensions

• روز 4: ساخت معماری های CNN با Keras و TensorFlow Jour 4 : Construction d’Architectures CNN avec Keras et TensorFlow

• روز 5: ساخت معماری های CNN با PyTorch Jour 5 : Construction d’Architectures CNN avec PyTorch

• روز 6: Regularization و افزایش داده ها برای CNN Jour 6 : Régularisation et Augmentation de Données pour CNN

• روز 7: پروژه CNN – طبقه بندی تصاویر بر روی Fashion MNIST یا CIFAR-10 Jour 7 : Projet CNN – Classification d’Images sur Fashion MNIST ou CIFAR-10

• منابع برای پروژه ها Ressources pour les projets

شبکه های عصبی بازگشتی (RNNs) و مدل سازی توالی Réseaux Neuronaux Récurrents (RNNs) et Modélisation de Séquences

• روز 1: معرفی مدل سازی توالی و RNNs Jour 1 : Introduction à la Modélisation de Séquences et aux RNNs

• روز 2: درک معماری RNN و پس انتشار در زمان (BPTT) Jour 2 : Comprendre l’Architecture RNN et la Rétropropagation dans le Temps (BPT

• روز 3: شبکه های حافظه بلند مدت (LSTM) Jour 3 : Réseaux à Mémoire Longue (LSTM)

• روز 4: واحد های بازگشتی گیت دار (GRU) Jour 4 : Unités Récurrentes Gated (GRU)

• روز 5: پیش پردازش متن و Word Embeddings برای RNN Jour 5 : Prétraitement de Texte et Word Embeddings pour RNN

• روز 6: مدل های توالی به توالی و کاربردها Jour 6 : Modèles Séquence à Séquence et Applications

• روز 7: پروژه RNN – تولید متن یا تحلیل احساسات Jour 7 : Projet RNN – Génération de Texte ou Analyse de Sentiments

• منابع برای پروژه ها Ressources pour les projets

Transformerها و مکانیسم های توجه Transformers et Mécanismes d’Attention

• روز 1: معرفی مکانیسم های توجه Jour 1 : Introduction aux Mécanismes d’Attention

• روز 2: معرفی معماری Transformerها Jour 2 : Introduction à l’Architecture des Transformers

• روز 3: Self-Attention و Attention Multi-Tête Jour 3 : Self-Attention et Attention Multi-Tête

• روز 4: رمزگذاری موقعیتی و شبکه های Feed-Forward Jour 4 : Encodage Positionnel et Réseaux Feed-Forward

• روز 5: تمرین با Transformerهای از پیش آموزش داده شده – BERT و GPT Jour 5 : Pratique avec des Transformers Préentraînés – BERT et GPT

• روز 6: Transformerهای پیشرفته – انواع BERT و GPT-3 Jour 6 : Transformers Avancés – Variantes de BERT et GPT-3

• روز 7: پروژه Transformer – خلاصه سازی متن یا ترجمه Jour 7 : Projet Transformer – Résumé de Texte ou Traduction

• منابع برای پروژه ها Ressources pour les projets

یادگیری انتقالی و Fine-Tuning Apprentissage par Transfert et Fine-Tuning

• روز 1: معرفی یادگیری انتقالی Jour 1 : Introduction à l’Apprentissage par Transfert

• روز 2: انتقال در بینایی کامپیوتر Jour 2 : Transfert en Vision par Ordinateur

• روز 3: تکنیک های Fine-Tuning در بینایی Jour 3 : Techniques de Fine-Tuning en Vision

• روز 4: انتقال در پردازش زبان طبیعی (NLP) Jour 4 : Transfert en Traitement du Langage Naturel (NLP)

• روز 5: تکنیک های Fine-Tuning در NLP Jour 5 : Techniques de Fine-Tuning en NLP

• روز 6: انطباق دامنه و چالش های انتقال Jour 6 : Adaptation de Domaine et Défis du Transfert

• روز 7: پروژه Transfer Learning – Fine-Tuning برای یک کار خاص Jour 7 : Projet Transfer Learning – Fine-Tuning pour une Tâche Spécifique

• منابع برای پروژه ها Ressources pour les projets

نماینده های هوش مصنوعی: مرور کلی کامل Agents IA : Vue d’Ensemble Complète

• تمرین با AutoGen | IBM Bee | LangGraph | CrewAI | AutoGPT Pratique avec AutoGen | IBM Bee | LangGraph | CrewAI | AutoGPT

• تمرین با AutoGen Pratique avec AutoGen

• تمرین با Framework IBM Bee Pratique avec le Framework IBM Bee

• تمرین با LangGraph Pratique avec LangGraph

• تمرین با CrewAI Pratique avec CrewAI

• تمرین با AutoGPT Pratique avec AutoGPT

معرفی و تمرین MLOps Introduction et Pratique de MLOps

• مقدمه ای بر جلسات MLOps Introduction aux Sessions MLOps

• مرور کلی MLOps و اهمیت آن Vue d’Ensemble de MLOps et Son Importance

• تکامل عملیات در ML Évolution des Opérations en ML

• مفاهیم کلیدی: Versioning، اتوماسیون، Monitoring Concepts Clés : Versioning, Automatisation, Monitoring

• MLOps در مقابل DevOps: شباهت ها و تفاوت ها MLOps vs. DevOps : Similitudes et Différences

• تمرین: استقرار یک ساختار پروژه MLOps (Git, Docker, Pipeline) Pratique : Mise en Place d’une Structure de Projet MLOps (Git, Docker, Pipeline)

• معرفی بخش Pipeline از علم داده تا تولید Introduction à la Section Pipeline de la Science des Données à la Production

• مرور کلی گردش کار ML: آماده سازی داده ها برای استقرار Vue d’Ensemble du Workflow ML : Préparation des Données au Déploiement

• آزمایش در مقابل تولید Expérimentation vs. Production

• چالش های استقرار مدل های ML Défis du Déploiement de Modèles ML

• تمرین: ساخت یک Pipeline ML سرتاسری Pratique : Construire un Pipeline ML de Bout en Bout

• مقدمه ای بر زیرساخت برای MLOps Introduction à l’Infrastructure pour MLOps

• معرفی پلتفرم های Cloud (AWS, GCP, Azure) Présentation des Plateformes Cloud (AWS, GCP, Azure)

• کانتینری‌سازی با Docker Conteneurisation avec Docker

• Kubernetes برای سازماندهی بارهای ML Kubernetes pour l’Orchestration de Charges ML

• پیکربندی محیط های MLOps محلی Configuration d’Environnements MLOps Locaux

• تمرین: کانتینری‌سازی و استقرار یک مدل با Kubernetes Pratique : Conteneuriser et Déployer un Modèle avec Kubernetes

امتحان نهایی و تبریکات Examen Final et Félicitations

• امتحان نهایی Examen Final

• تبریکات و بهترین آرزوها Félicitations et Meilleurs Vœux